MeanShift- 案例实现（python）

Mean Shift聚类算法

Mean Shift算法是一种无参密度估计算法,Mean Shift算法在很多领域都有成功应用，例如图像平滑、图像分割、物体跟踪等，这些属于人工智能里面模式识别或计算机视觉的部分，另外也包括常规的聚类应用。

背景介绍

通过名字就可以看到该算法的核心，mean（均值），shift（偏移）,Mean Shift算法所做的工作是找到数据概率密度最大的区域。以二维来说明可能更容易理解，下图中的很多的红点就是我们的样本特征点，meanshift会依次选中每一个点为圆心（质心），在选中一个点后，然后以半径R画一个圆，然后落在这个圆中的每一个点与圆心都会构成一个向量，把所有这些向量相加，我们会得到一个向量，就是下图中用黄色箭头表示的向量，这个向量就是meanshift向量。然后再以这个meanshift向量的终点为圆心，继续上述过程，又可以得到一个meanshift向量，然后不断地继续重复这样的过程，我们可以得到很多连续的meanshift向量，这些向量首尾相连，最终迭代到收敛，在某处停下来。最后的那个meanshift向量的终点就是最终得到的结果（最终质心），如下图：

效果展示

我们使用meanshift算法对商城消费者的数据进行聚类，下面的散点图为聚类结果，其中每个点的横坐标代表消费者的消费积分，纵坐标代表消费者的年收入，星形标记代表不同的聚类。

模型概览

模型定义

在商城统计的消费者数据中，与消费者有关的数据有4条，分别为性别，年龄，年收入，消费产生的积分。现对消费者进行聚类，我们选取年收入与消费积分数据作为样本特征点，在2维空间n个样本点中$x_i,i=1,\cdots ,n$，对于其中的一个样本的候选质心$x$，其中$N\left(x\right)$是围绕$x$ 周围一个给定距离范围内的样本邻域, 通过计算其他所有样本点$y$与$x$的距离，小于区域半径$r$的点即表示落在区域内，$N\left(x_i\right)$定义为下:

$$N_h(x)=\left(y\mid (y-x)(y-x{)}^T⩽r^2\right)$$

再通过更新质心的候选位置，到达最终质心，这些侯选位置通常是所选定区域内点的均值，则对于$x$点，其Mean Shift向量的基本形式为：

$$M_h(x)=\frac{1}{k}\sum _{x_i\in N_h}\left(x_i-x\right)$$

$$\Vert m_h(x)-x\Vert <\epsilon$$

$M_h$ 是均值偏移向量(mean shift vector), 该向量是所有质心中指向点密度增加最多的区域的偏移向量，$k$表示区域内的样本点数量。在不断迭代的过程中，质心不断更新，当更新后的质心与原质心变化小于一定阈值$\epsilon$时（此值在以下实现算法中定义为区域半径）,发生收敛，结束循环。对其他样本点重复以上步骤,可求得每个样本的最终质心。有了质心即可根据样本点密度来进行分类了。

训练过程

通过以下几个步骤进行模型训练

1. 在未被标记的数据点中依次选择作为起始中心点C。
2. 以C为质心作半径为radius的圆，得到区域中出现的所有数据点，则设这些点同属于一个聚类A。同时在该聚类中记录数据点出现的频率次数加1。
3. 以C为中心点，得到从C开始到区域内每个样本的向量，将这些向量相加，得到向量Shift。C沿着Shift的方向移动到Shift的终点。
4. 重复步骤2、3，直到shift向量不在发生变化（迭代到收敛），记住此时的C。且这个迭代过程中遇到的点都归类到A。
5. 如果收敛时当前类A的质心与其它已经存在的类A2质心的距离小于半径（也可设为其他阈值），那么把A2和A合并，数据点出现次数也对应合并。否则，把A作为新的类，并保存。
6. 重复1、2、3、4、5直到所有的点都被标记为已访问。
7. 分类：根据每个类对每个点的访问频率，取访问频率最大的那个类，作为当前点集的所属类。

数据集

数据集介绍

此数据集共200行，每行包含了消费者的相关信息与消费数据。其各维属性的意义如下：

属性名	解释	类型
Customer	消费者编号	连续值
Gender	消费者性别	离散值
Age	消费者年龄	离散值
Annual Income (k$)	消费者的年收入	离散值
Spending Score (1-100)	消费产生的积分	离散值

训练

首先我们引入必要的库：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from tqdm.notebook import tqdm

01 - 读入数据

param:

• file_path:数据存储路径

return:

• data:样本特征数据

def load_data(file_path):
    customers_data = pd.read_csv("meanshift_data/Mall_Customers.csv")# 读入样本数据
    data = customers_data.iloc[:, [3, 4]].values # 获取收入与消费积分数据
    return data

02 - 求解meanshift向量

param:

• data:样本特征数据
• radius:样本区域半径

return:

• clusters:所有样本点聚类结果

def mean_shift(data, radius=2.5):
    clusters = []#存储每个样本所属的质心与出现频次
    for i in tqdm(range(len(data))):
        # 每个数据点都做为初始聚类的质心
        cluster_centroid = data[i] # 初始质心
        cluster_frequence = np.zeros(len(data)) # 初始每个数据点的聚类频率
        # 遍历数据点
        while True:
            temp_data = []#存储半径内的所有数据集
            for j in range(len(data)): # 每次都遍历所有元素
                v = data[j] # 获取第j个点
                if np.linalg.norm(v - cluster_centroid)<= radius:#判断样本是否在圆区域内
                    temp_data.append(v)#  把半径内的所有数据集合起来
                    cluster_frequence[i] += 1 # 在当前聚类中记录数据点出现的次数加1        
            old_centroid = cluster_centroid # 旧的质心          
            new_centroid = np.average(temp_data,axis=0)# 新的质心          
            cluster_centroid = new_centroid # 更新质心
            # 如果新旧质心一致，出现收敛，则结束
            if np.array_equal(new_centroid,old_centroid):
                # 判断是否出现重复聚类
                has_same_cluster = False
                for cluster in clusters:                   
                    # 两个质心小于半径，则为同一个聚类
                    if np.linalg.norm(cluster['centroid'] - cluster_centroid)<= radius:
                        has_same_cluster = True
                        #合并，数据点出现次数也对应合并。
                        cluster['frequency'] = cluster['frequency'] + cluster_frequence
                #出现重复的类，跳出，直接进行下一个样本点计算
                if has_same_cluster:
                    break                
                #如果质心不同，保存质心，记录数据频次，并跳出，进行下一个样本点计算
                if not has_same_cluster:
                    clusters.append({
                        'centroid':cluster_centroid,
                        'frequency':cluster_frequence
                    })
                    break
    return clusters

03 - 聚类

根据样本点在所有聚类中出现的频率，取对其访问频率最大的那个类，作为当前点的所属类。

param:

• data:样本特征数据
• clusters:所有聚类结果

return:

• index:最终聚类数量

def clustering(data, clusters):
    t = []
    index=[]
    for cluster in clusters:
        cluster['data'] = []
        t.append(cluster['frequency'])
    t = np.array(t)
    # 聚类
    for i in range(len(data)):
        column_frequency = t[:, i]
        cluster_index = np.where(column_frequency == np.max(column_frequency))[0][0]#得到频率最大的类索引
        index.append(cluster_index)#记录索引
        clusters[cluster_index]['data'].append(data[i])#将样本点添加到所属类
    return np.unique(index)

04 - 绘图

param:

• clusters:所有聚类结果
• index:最终聚类数量

def draw(index,clusters):
    fig = plt.figure(figsize=(20,7))
    axes = fig.add_subplot(111)
    colour=['magenta','cyan','pink','red','orange','green','blue']#创建一个颜色库

    # 画出每个类质心            
    for i in index:
        axes.scatter(clusters[i]['centroid'][0], clusters[i]['centroid'][1], marker='*', s=260, linewidths=3, color='black', label='centroid')
    
    # 画出样本聚类结果
    for i in tqdm(index):
        for j in range(len(clusters[i]['data'])):
            axes.scatter(clusters[i]['data'][j][0], clusters[i]['data'][j][1], color=colour[i],alpha=1)
                   
     
      
    x_min, x_max = min(data[:,0])-10, max(data[:,0])+10 # 横轴坐标范围
    y_min, y_max = min(data[:,1])-1, max(data[:,1])+1 # 纵轴坐标范围
    plt.title("Mean Shift clustering") # 标题
    plt.show()

05 - 主函数

if __name__ == "__main__":
    
    data = load_data("meanshift_data/Mall_Customers.csv")
    print("1、导入数据:",len(data),"条")
   
    print("2、求解MeanShift向量")
    clusters=mean_shift(data, radius=18)   
    
    index = clustering(data, clusters)
    print("3、聚类数量为:",len(index))
    
    print("4、绘图")
    draw(index,clusters)
    

运行结果

总结

介绍了meanshift聚类算法的基本概念，算法原理以及具体实现过程。并借助消费者数据集，建立模型，实现了根据消费者的特征进行分类的模型训练过程。

参考文献

1. http://www.scikitlearn.com.cn/0.21.3/22/#234-mean-shift
2. Mean shift: A robust approach toward feature space analysis.” D. Comaniciu and P. Meer, IEEE Transactions on Pattern Analysis and Machine Intelligence (2002)